基于边缘计算的园区监控系统及方法与流程

1.本发明涉及数据处理技术领域，特别是涉及一种基于边缘计算的园区监控系统及方法。


背景技术：

2.传统的化工园区的监管基本上采用的是人力监管，效率低且效果差，因此，传统的监管被现有的监管平台所替代。但是目前现有的平台接入企业的数据真实性、有效性、及时性、可靠性、全面性低，数据的接入无法有效支撑使园区监管应用，在很大程度上还是要依赖于人力的监管，这也就无法实现线上线下工作的指引、提效，无法从平台有效把握、体现核心监管风险，日常工作效率低。
3.再者，目前很多平台对不同企业的监测数据以及监控预案是无法通用的，导致在相似的企业中采用不同标准的监测预案，这不仅让采集到的大量的数据无法实现通用化，使得平台成为一个多种不同标准的集成系统。


技术实现要素：

4.有鉴于此，本发明的主要目的在于提供一种基于边缘计算的园区监控系统及方法。
5.本发明采用的技术方案如下：一种基于边缘计算的园区监控系统，包括：园区中心侧服务器；至少一个企业边缘侧处理端；所述企业边缘侧处理端连接园区中心侧服务器后园区中心侧服务器发送控制程序至企业边缘侧处理端，企业边缘侧处理端接收控制程序以进行初始化在所述企业边缘侧处理端形成边缘计算单元和同步控制单元；所述企业边缘侧处理端具有：采集单元，用于采集企业端不同待监控设备分别产生的数据信息；识别单元，用于接收每一所述数据信息以识别所述数据信息包含的数据源参数；配置单元，连接边缘计算单元，用于基于配置表以对应的配置每一所述数据信息对应的子项模板；监控单元，用于监控配置单元的配置情况，若监控到所述数据信息不具有对应的子项模板时，所述监控单元依据所述数据信息对应的数据源参数形成反馈指令并发送至控制单元；所述控制单元接收反馈指令，依据反馈指令解算得到所述数据信息对应的数据源参数，并控制所述同步控制单元依据数据源参数在园区中心侧服务器中的边缘计算模型库中调取对应的子项模板至边缘计算单元；数据同步单元，用于在设定周期内以同步边缘计算单元的子项模板库来更新所述
配置表并配置在边缘计算单元的存储部中。
6.进一步地，所述园区中心侧服务器具有基于企业边缘侧处理端设定的控制程序，所述控制程序连接有判断部；所述判断部用于获取企业边缘侧处理端的设置参数，基于所述设置参数，以调取设置在园区中心侧服务器中的加载方案，基于所述加载方案以判断并选择需要加载的多个加载指令，基于加载指令从边缘计算模型库获取多个子项模板并链接在控制程序的初始化命令中。
7.进一步地，所述控制程序的主体程序初始化安装后形成同步控制单元；所述同步控制单元控制数据同步单元按照设定形式进行企业边缘侧处理端到园区中心侧服务器的数据同步；所述控制程序的辅助程序初始化安装时加载多个子项模板以形成边缘计算单元；所述边缘计算单元用于利用所述数据信息以获取每一待监控设备的监测结果；比较单元，设置在边缘计算单元中，用于将每一所述监测结果与对应设定的阈值范围进行比较，以判断所述监测结果是否异常；如判定异常，在子预案库中对应的选择预设方案，依据预设方案来解决监测结果中的异常状态；若在子预案库中未匹配到预设方案，所述数据同步单元将具有异常的所述监测结果同步到园区中心侧服务器中，并在园区中心侧服务器的总预案库对应的选择是否具有解决所述监测结果的预设方案；如有，通过数据同步单元将在总预案库匹配到的预设方案同步到子预案库；如没有，利用在园区中心侧服务器内设置的人工智能系统调用通用特征以进行训练并获取标准预案，将标准预案再经数据同步单元同步到子预案库中。
8.进一步地，所述数据同步单元还用于实时同步每一子预案库至园区中心侧服务器设置的总预案库中。
9.进一步地，所述园区中心侧服务器还具有：接收模块，该接收模块具有多个接收通道，每一接收通道与对应设置在所述企业边缘侧处理端中的数据同步单元对接，用于同步所述企业边缘侧处理端得到的具有异常状态的监测结果；分析模块，基于具有异常状态的监测结果来分析所述企业边缘侧处理端潜在的风险因素；评估模块，基于所述风险因素以评估每一所述企业边缘侧处理端的健康状态，以及分类模块，基于所述风险因素以及风险因素通过评估模块对应得到的每一所述企业边缘侧处理端的健康状态来划分风险因素的风险等级，并按照所述风险等级来确定通用特征的类别，以更新在人工智能系统的通用特征库中。
10.本发明还提供了一种基于边缘计算的园区监控方法，包括如下步骤：设置一个园区中心侧服务器；至少设置一个企业边缘侧处理端；所述企业边缘侧处理端连接园区中心侧服务器后园区中心侧服务器发送控制程序至企业边缘侧处理端，企业边缘侧处理端接收控制程序以进行初始化在所述企业边缘侧处理端形成边缘计算单元和同步控制单元；
企业边缘侧处理端采集企业端不同待监控设备分别产生的数据信息；基于配置表对应的配置每一所述数据信息对应的子项模板以形成边缘计算单元；所述边缘计算单元用于利用所述数据信息以获取每一待监控设备的监测结果；将每一所述监测结果与对应设定的阈值范围进行比较，以判断所述监测结果是否异常；如判定异常，在子预案库中对应的选择预设方案，依据预设方案来解决监测结果中的异常状态；若在子预案库中未匹配到预设方案，所述数据同步单元将具有异常的所述监测结果同步到园区中心侧服务器中，并在园区中心侧服务器的总预案库对应的选择是否具有解决所述监测结果的预设方案；如有，通过数据同步单元将在总预案库匹配到的预设方案同步到子预案库；如没有，利用在园区中心侧服务器内设置的人工智能系统调用通用特征以进行训练并获取标准预案，将标准预案再经数据同步单元同步到子预案库中。
11.进一步地，在基于配置表对应的配置每一所述数据信息对应的子项模板以形成边缘计算单元的过程中：若监控到所述数据信息不具有对应的子项模板时，所述监控单元依据所述数据信息对应的数据源参数形成反馈指令并发送至控制单元；所述控制单元接收反馈指令，依据反馈指令解算得到所述数据信息对应的数据源参数，并控制所述同步控制单元依据数据源参数在园区中心侧服务器中的边缘计算模型库中调取对应的子项模板至边缘计算单元中。
12.进一步地，所述控制程序连接有判断部；所述判断部用于获取企业边缘侧处理端的设置参数，基于所述设置参数，以调取设置在园区中心侧服务器中的加载方案，基于所述加载方案以判断并选择需要加载的多个加载指令，基于加载指令从边缘计算模型库获取多个子项模板并链接在控制程序的初始化命令中；其中，所述控制程序的主体程序初始化安装后形成同步控制单元；所述控制程序的辅助程序初始化安装时加载多个子项模板以形成边缘计算单元。
13.进一步地，所述通用特征设置在通用特征库中，所述通用特征库按照如下方法进行更新：所述园区中心侧服务器与所述企业边缘侧处理端中的数据同步单元对接，用于同步所述企业边缘侧处理端得到的具有异常状态的监测结果；基于具有异常状态的监测结果来分析所述企业边缘侧处理端潜在的风险因素；基于所述风险因素以评估每一所述企业边缘侧处理端的健康状态，以及基于所述风险因素以及风险因素通过评估模块对应得到的每一所述企业边缘侧处理端的健康状态来划分风险因素的风险等级，并按照所述风险等级来确定通用特征的类别，以更新在人工智能系统的通用特征库中。
14.在本技术中，边缘计算单元由多个子项模板构成，每一子项模板用于处理不同待监控设备的数据信息，由于开始时，边缘计算单元时按照设定的控制程序在企业边缘侧处理端初始化形成的，因此具有一定的局限性，在实际的应用中，可以根据待监控设备进行对应的添加子项模板至边缘计算单元，能够做到精准监控，不漏每一监控节点。边缘计算单元允许根据待监控设备进行对应的添加子项模板，这也使得通过模板式的边缘计算单元先行部署，然后根据实际的待监控设备进行扩展补充，以实现快速部署，降低了系统的部署难度。
15.在本技术中，由于不同企业边缘侧处理端的数据均可以同步到园区中心侧服务
器，同时通过设置园区中心侧服务器能够共享信息的范围，比如可以共享具有异常状态的监测结果所对应的执行预案，这样，可以将比较成熟的异常状态的解决方案进行全园区部署，降低了企业对异常状态的解决方案所投入的各项成本，也有利于平台标准化的管理。同时，将企业边缘侧处理端得到的其他数据不共享，保护了企业的数据安全。
附图说明
16.以下附图仅对本发明作示意性的说明和解释，并不用于限定本发明的范围，其中：图1为本发明中的框架原理图。
17.图2为本发明中园区中心侧服务器和企业边缘侧处理端建立连接后的部署流程图。
18.图3为本发明的方法流程图。
具体实施方式
19.为了使本发明的目的、技术方案、设计方法及优点更加清楚明了，以下结合附图通过具体实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。
20.参照图2和图3，本发明还提供了一种基于边缘计算的园区监控方法，包括如下步骤：置一个园区中心侧服务器；至少设置一个企业边缘侧处理端；所述企业边缘侧处理端连接园区中心侧服务器后园区中心侧服务器发送控制程序至企业边缘侧处理端，企业边缘侧处理端接收控制程序以进行初始化在所述企业边缘侧处理端形成边缘计算单元和同步控制单元；具体的，所述控制程序连接有判断部；所述判断部用于获取企业边缘侧处理端的设置参数，基于所述设置参数，以调取设置在园区中心侧服务器中的加载方案，基于所述加载方案以判断并选择需要加载的多个加载指令，基于加载指令从边缘计算模型库获取多个子项模板并链接在控制程序的初始化命令中；所述控制程序的主体程序初始化安装后形成同步控制单元；所述控制程序的辅助程序初始化安装时加载多个子项模板以形成边缘计算单元；企业边缘侧处理端采集企业端不同待监控设备分别产生的数据信息；基于配置表对应的配置每一所述数据信息对应的子项模板以形成边缘计算单元；若监控到所述数据信息不具有对应的子项模板时，所述监控单元依据所述数据信息对应的数据源参数形成反馈指令并发送至控制单元；所述控制单元接收反馈指令，依据反馈指令解算得到所述数据信息对应的数据源参数，并控制所述同步控制单元依据数据源参数在园区中心侧服务器中的边缘计算模型库中调取对应的子项模板至边缘计算单元中；所述边缘计算单元用于利用所述数据信息以获取每一待监控设备的监测结果；将每一所述监测结果与对应设定的阈值范围进行比较，以判断所述监测结果是否异常；如判定异常，在子预案库中对应的选择预设方案，依据预设方案来解决监测结果中的异常状态；
若在子预案库中未匹配到预设方案，所述数据同步单元将具有异常的所述监测结果同步到园区中心侧服务器中，并在园区中心侧服务器的总预案库对应的选择是否具有解决所述监测结果的预设方案；如有，通过数据同步单元将在总预案库匹配到的预设方案同步到子预案库；如没有，利用在园区中心侧服务器内设置的人工智能系统调用通用特征以进行训练并获取标准预案，将标准预案再经数据同步单元同步到子预案库中。
21.在上述中，企业边缘侧处理端和园区中心侧服务器建立连接后，园区中心侧服务器可以根据企业边缘侧处理端（也就是根据企业不同待监控设备的信息数据）来对应的建立一个边缘计算单元至企业边缘侧处理端，边缘计算单元是根据企业边缘侧处理端进行设定，也就是相同的企业具有相同的边缘计算单元，当企业之间的差异较大时，也就意味着不同待监控设备的信息数据具有一定差异，边缘计算单元也就有所不同。这样，通过定制的边缘计算单元可以将大量的数据处理在企业边缘侧处理端进行，通过边缘计算单元将企业风险辨识逻辑从园区集中分析下沉到企业边缘侧，原始数据由企业把控，数据上报至园区中心侧服务器即可。利用园区中心侧服务器可以精确的统计和分析每一企业边缘侧处理端的数据信息，通过这些数据信息可以结合政府的指导政策来逐步做到“一企一评”，”一企一策”，辅助园区进行针对性风险管控，驱动园区线下工作有序开展。
22.在上述中，初始化时，所述企业边缘侧处理端向园区中心侧服务器发送建立连接请求，园区中心侧服务器接收到建立连接请求后进行验证，验证通过后建立连接并获取企业边缘侧处理端的设置参数，依据设置参数从园区中心侧服务器内设置的边缘计算模型库中调取对应的边缘计算单元发送至企业边缘侧处理端。
23.在上述中，边缘计算单元由多个子项模板构成，每一子项模板用于处理不同待监控设备的数据信息，由于开始时，边缘计算单元时按照设定的控制程序在企业边缘侧处理端初始化形成的，因此具有一定的局限性，在实际的应用中，可以根据待监控设备进行对应的添加子项模板至边缘计算单元，能够做到精准监控，不漏每一监控节点。边缘计算单元允许根据待监控设备进行对应的添加子项模板，这也使得通过模板式的边缘计算单元先行部署，然后根据实际的待监控设备进行扩展补充，以实现快速部署，降低了系统的部署难度。
24.在上述中，子项模板可以理解为依据不同的待监控设备所设置的适合待监控设备产生的数据信息进行处理的处理单元，这些处理单元基于待监控设备的不同，其所处理的数据信息的形式、设置的健康范围阈值等具有一定的差异，因此，子项模板通过数据源参数进行对应的匹配。
25.在上述中，数据源参数是待监控设备的基础参数，包括设备名称、设备型号、正常的工作电压、电流、工作环境参数等。待监控设备是安装在不同设备上的传感器，包括烟雾传感器、粉尘传感器、化学品浓度监测传感器等，当然也包括设置在危控区域的监控设备，比如图像监控设备等。
26.在本技术中，通过子项模板（处理单元）的设置，可以为不同的企业部署具有差异化的、精准的边缘计算单元，这样，企业可以降低对计算系统的必要开支，由平台系统进行部署。将一个子项模板可以进行多个边缘计算单元中，分摊了部署的成本。
27.在上述中，所述通用特征设置在通用特征库中，所述通用特征库按照如下方法进行更新：所述园区中心侧服务器与所述企业边缘侧处理端中的数据同步单元对接，用于同步所述企业边缘侧处理端得到的具有异常状态的监测结果；基于具有异常状态的监测结果
来分析所述企业边缘侧处理端潜在的风险因素；基于所述风险因素以评估每一所述企业边缘侧处理端的健康状态，以及基于所述风险因素以及风险因素通过评估模块对应得到的每一所述企业边缘侧处理端的健康状态来划分风险因素的风险等级，并按照所述风险等级来确定通用特征的类别，以更新在人工智能系统的通用特征库中。
28.在上述中，通用特征库的不断跟新降低了人工智能系统的学习难度，提供了进行训练的效率。
29.参照图1和图2，本技术还提供了一种基于边缘计算的园区监控系统，包括：园区中心侧服务器；至少一个企业边缘侧处理端；所述企业边缘侧处理端连接园区中心侧服务器后园区中心侧服务器发送控制程序至企业边缘侧处理端，企业边缘侧处理端接收控制程序以进行初始化在所述企业边缘侧处理端形成边缘计算单元和同步控制单元；所述企业边缘侧处理端具有：采集单元，用于采集企业端不同待监控设备分别产生的数据信息；识别单元，用于接收每一所述数据信息以识别所述数据信息包含的数据源参数；配置单元，连接边缘计算单元，用于基于配置表以对应的配置每一所述数据信息对应的子项模板；监控单元，用于监控配置单元的配置情况，若监控到所述数据信息不具有对应的子项模板时，所述监控单元依据所述数据信息对应的数据源参数形成反馈指令并发送至控制单元；所述控制单元接收反馈指令，依据反馈指令解算得到所述数据信息对应的数据源参数，并控制所述同步控制单元依据数据源参数在园区中心侧服务器中的边缘计算模型库中调取对应的子项模板至边缘计算单元；数据同步单元，用于在设定周期内以同步边缘计算单元的子项模板库来更新所述配置表并配置在边缘计算单元的存储部中。
30.在上述中，所述园区中心侧服务器具有基于企业边缘侧处理端设定的控制程序，所述控制程序连接有判断部；所述判断部用于获取企业边缘侧处理端的设置参数，基于所述设置参数，以调取设置在园区中心侧服务器中的加载方案，基于所述加载方案以判断并选择需要加载的多个加载指令，基于加载指令从边缘计算模型库获取多个子项模板并链接在控制程序的初始化命令中。
31.所述控制程序的主体程序初始化安装后形成同步控制单元；所述同步控制单元控制数据同步单元按照设定形式进行企业边缘侧处理端到园区中心侧服务器的数据同步；所述控制程序的辅助程序初始化安装时加载多个子项模板以形成边缘计算单元；所述边缘计算单元用于利用所述数据信息以获取每一待监控设备的监测结果；比较单元，设置在边缘计算单元中，用于将每一所述监测结果与对应设定的阈值范围进行比较，以判断所述监测结果是否异常；如判定异常，在子预案库中对应的选择预设方案，依据预设方案来解决监测结果中的异常状态；
若在子预案库中未匹配到预设方案，所述数据同步单元将具有异常的所述监测结果同步到园区中心侧服务器中，并在园区中心侧服务器的总预案库对应的选择是否具有解决所述监测结果的预设方案；如有，通过数据同步单元将在总预案库匹配到的预设方案同步到子预案库；如没有，利用在园区中心侧服务器内设置的人工智能系统调用通用特征以进行训练并获取标准预案，将标准预案再经数据同步单元同步到子预案库中。
32.上述中，企业边缘侧处理端和园区中心侧服务器建立连接后，园区中心侧服务器可以根据企业边缘侧处理端（也就是根据企业不同待监控设备的信息数据）来对应的建立一个边缘计算单元至企业边缘侧处理端，边缘计算单元是根据企业边缘侧处理端进行设定，也就是相同的企业具有相同的边缘计算单元，当企业之间的差异较大时，也就意味着不同待监控设备的信息数据具有一定差异，边缘计算单元也就有所不同。这样，通过定制的边缘计算单元可以将大量的数据处理在企业边缘侧处理端进行，通过边缘计算单元将企业风险辨识逻辑从园区集中分析下沉到企业边缘侧，原始数据由企业把控，数据上报至园区中心侧服务器即可。利用园区中心侧服务器可以精确的统计和分析每一企业边缘侧处理端的数据信息，通过这些数据信息可以结合政府的指导政策来逐步做到“一企一评”，”一企一策”，辅助园区进行针对性风险管控，驱动园区线下工作有序开展。
33.在上述中，边缘计算单元由多个子项模板构成，每一子项模板用于处理不同待监控设备的数据信息，由于开始时，边缘计算单元时按照设定的控制程序在企业边缘侧处理端初始化形成的，因此具有一定的局限性，在实际的应用中，可以根据待监控设备进行对应的添加子项模板至边缘计算单元，能够做到精准监控，不漏每一监控节点。边缘计算单元允许根据待监控设备进行对应的添加子项模板，这也使得通过模板式的边缘计算单元先行部署，然后根据实际的待监控设备进行扩展补充，以实现快速部署，降低了系统的部署难度。
34.在本技术中，由于不同企业边缘侧处理端的数据均可以同步到园区中心侧服务器，同时通过设置园区中心侧服务器能够共享信息的范围，比如可以共享具有异常状态的监测结果所对应的执行预案，这样，可以将比较成熟的异常状态的解决方案进行全园区部署，降低了企业对异常状态的解决方案所投入的各项成本，也有利于平台标准化的管理。同时，将企业边缘侧处理端得到的其他数据不共享，保护了企业的数据安全。
35.所述数据同步单元还用于实时同步每一子预案库至园区中心侧服务器设置的总预案库中。
36.所述园区中心侧服务器还具有：接收模块，该接收模块具有多个接收通道，每一接收通道与对应设置在所述企业边缘侧处理端中的数据同步单元对接，用于同步所述企业边缘侧处理端得到的具有异常状态的监测结果；分析模块，基于具有异常状态的监测结果来分析所述企业边缘侧处理端潜在的风险因素；评估模块，基于所述风险因素以评估每一所述企业边缘侧处理端的健康状态，以及分类模块，基于所述风险因素以及风险因素通过评估模块对应得到的每一所述企业边缘侧处理端的健康状态来划分风险因素的风险等级，并按照所述风险等级来确定通用特征的类别，以更新在人工智能系统的通用特征库中。在上述中，通用特征库的不断跟新降
低了人工智能系统的学习难度，提供了进行训练的效率。
37.以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。